激光抛光（Laser Polishing,LP）作为新兴的激光加工技术,相比其他的抛光技术有污染小、灵活性好、抛光精度高、适用范围广的优点,是一项很有发展潜力的抛光技术。LP分为热抛光和冷抛光两种,本文主要就热抛光展开论述。影响激光热抛光效果的因素众多,其中平均功率密度与光斑重叠率是主要因素,但这两个参数又与其它参数息息相关。为了提高热抛光精度,验证其可行性,本文搭建了LP理论模型,对热抛光实验进行了合理的设计,并根据设计开展了主要参数实验,验证各参数对抛光结果的影响。鉴于LP参数的复杂性与独特性,针对LP参数选择对经验的依赖性,为了提高抛光效率,构造了基于BP神经网络的专家系统模型,高效推荐抛光参数。论文的主要研究内容如下:首先,研究了LP的物理基础,说明了两种抛光机理,探究了热抛光工作过程中的物理变化规律,搭建了热抛光的热源模型。对抛光过程中的材料表面形貌抽象并建模,创造性地提出了计算过度表面这一概念,使对表面的建模分析基础由点扩展到面,提高了理论模型的准确性,更加符合实际情况。使用ANSYS模拟抛光过程中的温度变化,验证了计算过度表面的准确性。其次,针对LP参数选择的特点,研究并搭建了基于神经网络的专家系统,使专家系统拥有学习功能,并保留专家系统的推理功能,两者结合更快更准确地获得LP的最优参数。训练得出神经网络的最佳结构,设计出了工件特征提取方法,由于神经网络出色的非线性拟合功能,由大量的数据训练后可准确提供LP参数。再次,基于现有实验条件设计热抛光实验,提出了改进的单因素实验法,缩减了大量实验过程的同时,提高了实验准确性和实验效率。最后,基于改进的单因素实验法,针对功率、频率、脉宽、光斑直径、功率密度、重叠率、扫描速度等七种参数进行LP实验,探究各参数或者综合参数对抛光效果的影响。通过对试样表面的观察,得出热抛光对材料表面形貌改进有重要作用,验证了各种参数对抛光效果的影响;通过成分分析,得知抛光过程中材料表面氧化程度以及微裂纹的产生原因;通过粗糙度测量,表征激光抛光可有效降低材料表面粗糙度,针对个别材料表面的粗糙度降低程度可达95.66%,强有力的证明了激光抛光的可行性。